MobileFlow: model and implementation for optical flow inference on the edge
MobileFlow : modèle et mise en œuvre pour une inférence de flot optique efficace
Résumé
Estimating the optical flow between two images is a particularly costly application with regard to computational and time resources. This is particularly problematic for real-time deployments on embedded platforms, where algorithmic solutions must be light, fast and remain efficient. Thus, we propose MobileFlow, a lightweight convolutional neural network, based on PWC-Net and MobileNetV2. This network is more efficient (- 12% on EPE, or EndPoint Error), more compact (-91% on parameters’ weight) and faster (+ 14% FPS with fp32 precision) than PWC-Net on Flying Chairs dataset.
Estimer le flot optique entre deux images est une application particulièrement coûteuse en ressources de calcul et de temps. Cela pose notamment problème pour des déploiements temps-réel sur des plateformes embarquées, où les solutions algorithmiques doivent être légères, rapides et rester performantes. Ainsi, nous proposons MobileFlow, un réseau de neurones convolutif allégé, basé sur PWC-Net et MobileNetV2. Ce réseau est plus performant (-12% sur l'EPE, ou l'EndPoint Error), plus compact (-91% de poids de paramètres) et plus rapide (+ 14% FPS en précision fp32) que PWC-Net sur le dataset Flying Chairs.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|